Métodos actuales en machine learning

Métodos actuales en machine learning

Pablo M. GranittoDr. en FísicaDocente FCEIA – UN RosarioInvestigadador en CIFASIS (CONICET)

Lucas C. UzalDr. en FísicaDocente FCEIA – UN RosarioInvestigadador en CIFASIS (CONICET)

Propaganda!

Algunas becas de todo tipo todavía disponibles! Llame ya!

Outline general

Intro y cosas generales (Lu-Pablo) Ensambles (Ma-Pablo) Métodos de Kernel (Mi-Pablo) Redes neuronales clásicas (Ju-Lucas) Redes neuronales profundas (Ju-Vi-Lucas)

Outline (2)

Aplicaciones:– 160 inscriptos, no podemos hacer

laboratorio– Ejemplos y código para que trabajen

individualmente, cuando sea posible.

Evaluación ????????

Hoy

Introducción a ML Problemas Métodos básicos Evaluación de resultados

Extra: Selección de inputs

Introducción

Qué es Machine Learning?

Introducción

Hay problemas en Informática que se pueden “definir” concretamente y son simples de convertir en un algoritmo

Ejemplo: Ordenar alfabéticamente una lista, calcular el balance de una cuenta.

Hay otros que son simples de “entender” pero muy difíciles de “definir” y convertir en algoritmo

Ejemplo: Detectar una sonrisa en una cara, interpretar un gesto del lápiz como una letra dada

El Aprendizaje Automatizado introduce métodos que pueden resolver esas tareas “aprendiendo” la solución a partir de ejemplos

de como se realiza la misma

Introducción

Introducción

Introducción

Problemas en ML

Clasificación Regresión Ranking-Retrieval Detección de novedades Clustering Identificación de inputs relevantes Etc, etc.

Clasificación

Problema:Dado un objeto (conjunto de características medidas de alguna forma) asignarle una (o varias) etiqueta de un conjunto finito.

Ejemplo:asignar un símbolo alfanumérico a una secuencia de movimientos del lápiz en la pantalla táctilAsignar automáticamente una noticia a diferentes grupos de interés (una o más clases)

Regresión

Problema:

Dado un objeto asignarle un número real.

Ejemplo:

Predecir la relación euro-dolar de mañana.

Predecir niveles de stock/ventas a futuro.

Búsqueda y Ranking

Problema:

Dado un objeto, asignarle y ordenar las respuestas más probables dentro de una base de datos.

Ejemplo:

Buscadores en Internet

Sistemas de recomendación

Detección de novedades

Problema:

Detectar "outliers", objetos que son diferentes a los demás.

Ejemplo:

Alarmas de comportamiento en compras con tarjeta.

Detección de fallas en equipos críticos.

Clustering

Problema:

Detectar grupos de objetos que tienen características similares.

Ejemplo:

Segmentación de consumidores/clientes a partir de sus patrones de compra/búsqueda. Marketing "dirigido".

Detección de inputs relevantes

Problema:Dado uno de los problemas anteriores (u otro) y sus datos, averiguar cuales de las variables son responsables de la solución.

Ejemplo:El "nuevo método científico": tomar muestras sanas y con alguna enfermedad. Analizar miles de variables con un método automático (MALDI-TOF, DNA-microchips) y buscar cuales de las variables monitoreadas son relevantes al problema.

Programas que aprenden?

“Se dice que un programa aprende si mejora su performance en una cierta tarea al incorporar experiencia”

Programas que aprenden?

Memorizar no es aprender

Generalizar es aprender

Como logramos generalizar?

Tengo estos datos:

8 – T

2 – T

5 – F

9 – F

4 – T

13 – F

Cual es la respuesta para 12?

Y si agrego los datos:14 – F16 - T

Como logramos generalizar?

Para generalizar incorporamos “algo” a los datos: un bias.

En general usamos la “navaja de Occam”: La respuesta más simple que explica las observaciones es la válida

Distintos métodos de ML usan distintos bias

Métodos básicos

Arboles de decisión

Probablemente el método más conocido para resolver problemas de clasificación

Muy asociado a nuestra forma de proceder Uno de los primeros desarrollos en ML

Arboles de decisiónEjemplo: “Play Tennis”

Arboles de decisiónEjemplo: “Play Tennis”

Arboles de decisión

Cómo construímos el árbol?

Hay variables más relevantes que otras. Si ponemos más alto las más relevantes,

seguramente el árbol llegara antes a la solución, será mas simple.

Un árbol más simple seguramente generalizará mejor (Occam).

Arboles de decisión

Cómo elegir que variable usar para dividir?

Necesitamos la más “relevante”

Busquemos la que dá más información sobre la clase->Information Gain, correlación, etc.

Dividimos e iteramos

Arboles de decisión

Hasta cuando dividimos?

Hasta que tenga clases puras en todos los nodos

Hasta que no tenga más variables disponibles

O hay algo mejor?

Arboles de decisión

Sobreajuste!

Arboles de decisión

Cómo controlar el sobreajuste?

Necesitamos un conjunto independiente de datos, sobre el que podamos controlar la capacidad de generalización (“Validación”).

Cuando deja de mejorar, detenemos el proceso.

Este proceso se suele llamar “Model Selection”

El perceptron

En muchos problemas tenemos datos reales

wTx + b = 0

wTx + b < 0wTx + b > 0

f(x) = sign(wTx + b)

El perceptron Tenemos una regla de

clasificación de forma fija

Aprender: encontrar el mejor W y b para el problema

Regla de aprendizaje del perceptron: si es incorrecto muevo W hacia el ejemplo

Converge a la solución

wTx + b = 0

f(x) = sign(wTx + b)

Estimación del error

Como estimar qué tan bueno es lo que aprendí?

La solución más simple es medirlo en una muestra de datos similar a la que voy a usar a futuro: Conjunto de test

Estimación del error

Si no tengo un conjunto de test, estimo con Cross-Validation

Límite: Leave-one-out

Como resolver un problema en ML

Identificar el problema y conseguir conocimiento experto

Conseguir datos, muchos datos! Elegir un método adecuado (o varios) Entrenar varios modelos con el conjunto de

train, evaluarlos con el conjunto de validación

Estimar error con el conjunto de test

Selección de inputs

Selección de variables: Por qué?

Muchos problemas actuales tienen cientos o miles de variables medidas (sobre pocos ejemplos)

Modelar esos problemas “directamente” suele ser sub-óptimo.

Tanto en calidad como en interpretabilidad.

En algunos casos la “extracción de variables” (pca, ica, etc.) no es una opción válida.

Selección de variables: Para qué?

Para mejorar la performance de los métodos de aprendizaje: Algunos métodos trabajan mucho mejor con

menos variables. Aunque los métodos modernos de ML suelen ser

muy resistentes al problema de la dimensionalidad. En ciertos casos muchas variables no son

informativas del problema (ruido o redundancias). Al eliminarlas reducimos el riesgo de sobreajuste.

Selección de variables: Para qué?

Para descubrir: Cuáles son las variables más importantes en un

problema. Cuáles variables están correlacionadas, co-

reguladas, o son dependientes y cuáles no.

La selección de variables no es más una técnica de pre-procesado, actualmente es una herramienta para descubrir información de un problema.

Métodos

Univariados consideran una variable a la vez.

Multivariados: consideran subconjuntos de variables al mismo tiempo.

Filtros: Ordenan las variables con criterios de importancia independientes del predictor.

Wrappers: Usan el predictor final para evaluar la utilidad de las variables.

Métodos

Problema Base:

Seleccionar un subconjunto óptimo de n variables de las p variables originales, dado un criterio.

Por qué no evaluar todas las posibilidades?

Explosión combinatoria:

Se usan soluciones sub-óptimas sobre eurísticas.

Métodos de Filtro

Elige las mejores variables usando criterios razonables de “importancia”.

El criterio es generalmente independiente del problema real.

Usualmente se usan criterios univariados. Se ordenan las variables en base al criterio

y se retienen las más importantes (criterio de corte!)

Métodos de Filtro: ejemplos

Clasificación: Relevantes e Irrelevantes

xi

densidad

Clases Y=1 Y=-1

- +

- +xi

Wrappers. Claves

Seleccionar las mejores variables para modelar (usando el criterio final)

Para cada subconjunto de variables resolver el problema de modelado. Conservar la mejor solución.

Como ya discutimos, la búsqueda completa es exponencialmente larga.

Wrappers. Alternativas

Búsquedas Greedy: forward selection backward elimination combinaciones de ambas

Búsquedas pseudo-random: Simulated annealing genetic algorithm

Wrappers. Ejemplo

Kohavi-John, 1997

Espacio de búsqueda para un problema con 4 variables.

0 ausente - 1 presente

Wrappers. Forward search

Variantes:

Floating search. 1 paso adelante, 1 atrás

Wrappers. Backward search

Variantes:

Floating search

Métodos embebidos

Los wrappers backward son potencialmente los mejores métodos de selección.

Son computacionalmente muy pesados. A cada paso construyen todos los clasificadores

intermedios posibles para evaluarlos. Para rankear p variables crean O(p2) modelos.

La solución ideal sería un método backward, basado directamente en el modelo final, pero eficiente.

Métodos embebidos

Para evaluar cuál es la próxima variable a eliminar, el wrapper back construye todos los modelos con una variable menos.

Los evalúa a todos y “da un paso” en la dirección de máximo descenso del error.

Se puede hacer algo parecido sin calcular todos los modelos target?

Métodos embebidos

Lo que necesitamos conocer es la derivada del error respecto de cada variable.

O alguna aproximación a la derivada Se las llama “medidas internas de importancia”

Si la función error es razonablemente suave, dar el paso en la dirección de máximo descenso de la derivada debería ser lo mismo que el máximo descenso del error.

Métodos embebidos

Recursive Feature elimination (RFE): Ajustar un modelo a los datos Rankear las variables usando una medida

interna de importancia. Más importante es la que más empeora al modelo al

ser eliminada Eliminar la variable (o un grupo) con el ranking

más bajo iterar

Medidas de importancia

Ejemplos de medidas de importancia: SVM: componentes de W Random Forest:

Shuffling OOB Variación del GINI index.

LDA o PDA o Regresión logística: weights Partial Least Squares (PLS): Scores ANN:

Saliency (Solla et al, NIPS) Shuffling OOB (Izetta, CACIC09)

Problemas con el RFE

Variables importantes pero correlacionadas Si el modelo original usa las dos, las dos

“comparten” la importancia. En la práctica aparecen como menos importantes

que otras variables. Al eliminar una de ellas, la otra toma toda la

importancia y suele subir bruscamente en el ranking (por esto es necesario iterar).

Problemas con el RFE

Variables importantes pero correlacionadas Cuál es eliminada y cuál promocionada es casi

chance. Como resultado, el ranking de variables tiende a

ser inestable.

Método sugerido

Usar el train para elegir las variables. Usar validación independiente para

determinar la cantidad de variables a retener. Hacer una selección final con train+validación. Estimar el error con el test set.